1、数据增强改进（马赛克，穿个马甲照样认出你）
2、标签平滑（原来不是猫就是狗，现在九分猫，七分狗）
3、传统IOU如果没交，那么为0，梯度消失。改进引入了C(C可以把groudtruth和预测框包起来)的公式，可以让不重叠的时候，预测框朝真实框前进。因为不同位置GIOU和IOU相同，引入DIoU，就是两个框中心点的距离，C框对角线之间的距离加入到公式中，问题解决。最终用的CIoU，就是这个损失函数中加入了长宽比（真实和预测框的长宽比是否一致）
4、soft-nms 不符合的降降分，最后核算的时候合格的还要
5、CSPNet channel（特征图）一半原来下传，另一半不断。拼接，优点快，精度略微提升
6、CBAM 加入注意力机制：给每个特征图权重（就是重要程度），一张特征图中的点/位置也有重要与否之分，也加入进去
V4中用的SAM,就是只用了位置那部分注意力机制，因为计算量问题
7、网络中将Max-Pooling/Average-Pooling去掉，直接连Convolution+SAM
8、PAN—类似maskrcnn，从顶到底，用p层的捷径，从底向上。特征拼接代替加法
9、不用relu(太绝对)用Mish（再能给一次机会）,计算量增加，效果会提升